图1  6个隐含层节点的BP神经网络结构

      2 神经网络的训练

　　选择EFOR软件中提供的基于ASM－1的典型脱氮工艺用EFOR对污水生物脱氮工艺（流程如图2示）进行模拟，得到一组（8×1199个）出水水质数据，其中包含Q、CODt、SS、NH4+、NOx-、TAL、DO、TKN，其取值如表1所示。

                                       图2  基于ASM－1的典型污水生物脱氮工艺流程

      Inlet1——进水；Outlet1——出水；PS1——初沉池；AS1——曝气池1；AS2——曝气池2；SS1——污泥沉淀池；WS1——初沉池剩余污泥排放；WS1——二沉池剩余污泥排放；Pump1——初沉池剩余污泥排放泵；Pump2——内回流泵；Pump3——污泥回流泵；Pump4——二沉池剩余污泥排放泵

　　                                表1. 用于训练神经网络的水质参数的取值

	Q (m3/d)	CODt (mg/l)	SS (mg/l)	NH4+ (mg/l)	NOx-(mg/l)	TAL (mg/l)	DO (mg/l)	TKN (mg/l)
最大	1622	64.49	9.51	0.15	8.47	2.4	1.98	1.26
最小	285	57.84	4.4	0.04	6.78	2.26	0.81	0.92
平均	1131.51	61.4	7.39	0.09	7.57	2.33	1.49	1.10

      用这组数据对神经网络进行训练，训练的过程如图3示。图中横坐标为神经网络训练步数，纵坐标为每步训练得到的神经网络误差，神经网络训练的误差指标为0，经100步训练后得到的神经网络误差为2.18382×10-5。

                                                图3   神经网络的训练过程

      训练得到的权重矩阵：

　　iw{1,1}=[0.0025874 -0.32124 -0.45552 3.4238 -0.84748 6.0491 0.49367; 0.0011911 -0.18044 0.075046 -22.2312 -0.21167 9.4625 1.7691; -0.00036045 -0.45894 0.19257 -7.6452 -0.21234 -0.90929 -1.1687; 0.0016727 -0.051073 -1.0667 6.9585 -0.54836 1.9055 -1.1866; 0.00021969 0.14555 -0.46177 8.1313 -0.85366 -12.0507 1.2702; -0.000306 -0.28936 -0.27846 8.3247 0.38333 -1.4188 -1.0156]

　　iw{2,1}=[0.012959 -0.054891 -0.050993 -0.040351 -0.051562 -0.11084]

　　b{1}=[11.6625; -12.1541; 34.0644; 9.8161; 25.2863; 19.6727]

　　b{2}=[0.9962]

　　3 对软传感器的检验

　　用EFOR模拟得到的另外一组出水水质数据（8×241个）检验经训练的神经网络作为软传感器的精确度：以该组数据的Q、CODt、SS、NH4+、NOx-、TAL、DO作为软传感器的输入“测得”一组（1×241个）TKN值，把它们与EFOR得到的TKN值分别进行比较，结果如图4所示。